Araştırma Makalesi
BibTex RIS Kaynak Göster

Weather Forecasting with Artificial Neural Networks and LabVIEW Interface Design for Multi-Layer Network Model

Yıl 2022, Cilt: 3 Sayı: 2, 81 - 96, 26.12.2022

Öz

Artificial neural networks (ANN) are a method that produces solutions to many problems by imitating the work of human biological nerve cells, problems such as prediction, classification, optimization, signal processing, and modeling of nonlinear systems. In the early stages of the historical development of ANN, only linear problems were solved by using single-layer perceptrons. Multilayer perceptron models have been developed to solve nonlinear problems. In the training of an ANN, the learning method that takes place by giving the input and output values together is called the supervised learning method. In the multilayer network model, the supervised learning method is used. In this study, for the solution of nonlinear problems, an interface is designed in the LabVIEW environment by using Back Propagation model from ANN. With the emerging design, the weather forecast problem has been solved. The learning process was carried out by giving the input and output values of the weather conditions to the multilayer network model, in which the supervised learning method was used. By changing the parameters such as the number of neurons in the layers, the learning coefficient, the momentum coefficient, the number of iterations, and the initial weights, the network is trained, and the performance of the network is measured by testing it.

Kaynakça

  • G. Atalı, S. S. Özkan ve D. Karayel, "Image Damage Analysis With Morphological Image Processing Technique Using Artificial Neural Networks", Academic Platform Journal of Engineering and Science, cilt 4, no. 1, pp. 0-0, 2016.
  • M. M. Bukhari, B. F. Alkhamees, S. Hussain, A. Gumaei, A. Assiri ve S. S. Ullah, "An Improved Artificial Neural Network Model for Effective", COMPLEXITY, cilt 2021, 2021.
  • H. Jiang ve L. Gao, "Optimizing the Rail Profile for High-Speed Railways", SUSTAINABILITY, cilt 12, no. 2, p. 658, 2020.
  • T. Majoros, S. Oniga ve Y. Xie, "Motor imagery EEG classification using", ANNALES MATHEMATICAE ET INFORMATICAE, cilt 53, pp. 235-244, 2021.
  • M. Thakur, R. Bhattacharyya ve S. S. Mondal, "Artificial Neural Network Based Model for Forecasting of Inflation in India", FUZZY INFORMATION AND ENGINEERING, cilt 8, no. 1, pp. 87-100, 2016.
  • E. Öztemel, Yapay Sinir Ağları, İstanbul: Papatya Yayıncılık, 2006.
  • S. Haykin, Neural Networks and Learning Machines, New Jersey: Pearson Education, 2009.
  • M. Negnevitsky, Artificial Intelligence: A Guide to Intelligent Systems.Second Edition, England: Pearson Education, 2005.
  • A. Arı ve M. E. Berberler, "Yapay Sinir Ağları ile Tahmin ve Sınıflandırma Problemlerinin Çözümü İçin Arayüz Tasarımı", Acta Infologica, cilt 1, no. 2, pp. 55-73, 2017.
  • D. Kriesel, A Brief Introduction to Neural Networks., 2007.
  • M. Kalaycı, "YSA Hava Durumu Tahmini", GitHub, Konya, 2018.

Yapay Sinir Ağları ile Hava Durumu Tahmini ve Çok Katmanlı Ağ Modeli için LabVIEW Arayüz Tasarımı

Yıl 2022, Cilt: 3 Sayı: 2, 81 - 96, 26.12.2022

Öz

Yapay sinir ağları (YSA), insanın biyolojik sinir hücrelerinin çalışmasının taklit edilmesi sonucunda tahmin, sınıflandırma, optimizasyon, sinyal işleme, doğrusal olmayan sistemlerin modellenmesi gibi birçok alanda karşımıza çıkan problemlere çözüm üreten bir yöntemdir. YSA’ nın tarihsel gelişiminde önce tek katmanlı algılayıcılar kullanılarak sadece doğrusal problemlere çözüm getirilmiştir. Doğrusal olmayan problemlerin çözümü için çok katmanlı algılayıcı (ÇKA) ağ modelleri geliştirilmiştir. Bir YSA’ nın eğitiminde girdi ve çıktı değerlerinin birlikte verilmesi ile gerçekleşen öğrenme metodu gözetimli öğrenme metodu şeklinde adlandırılır. YSA’ nın ÇKA modelinde gözetimli öğrenme metodu kullanılmaktadır. Bu çalışmada; doğrusal olmayan problemlerin çözümü için YSA’ nın geri yayılımlı ÇKA modeli kullanılarak LabVIEW ortamında bir ara yüz tasarlanmıştır. Gerçekleştirilen tasarım ile hava durumu tahmin problemine çözüm getirilmiştir. Gözetimli öğrenme metodu kullanılan ÇKA modeline hava durumunun girdi ve çıktı değerleri birlikte verilerek öğrenme işlemi gerçekleştirilmiştir. Tasarımda katmanlardaki nöron sayısı, öğrenme katsayısı, momentum katsayısı, iterasyon sayısı, başlangıç ağırlıkları gibi parametreler değiştirilerek ağın eğitilmesi sağlanmakta ve test edilerek ağın performans ölçümü gerçekleştirilmektedir.

Kaynakça

  • G. Atalı, S. S. Özkan ve D. Karayel, "Image Damage Analysis With Morphological Image Processing Technique Using Artificial Neural Networks", Academic Platform Journal of Engineering and Science, cilt 4, no. 1, pp. 0-0, 2016.
  • M. M. Bukhari, B. F. Alkhamees, S. Hussain, A. Gumaei, A. Assiri ve S. S. Ullah, "An Improved Artificial Neural Network Model for Effective", COMPLEXITY, cilt 2021, 2021.
  • H. Jiang ve L. Gao, "Optimizing the Rail Profile for High-Speed Railways", SUSTAINABILITY, cilt 12, no. 2, p. 658, 2020.
  • T. Majoros, S. Oniga ve Y. Xie, "Motor imagery EEG classification using", ANNALES MATHEMATICAE ET INFORMATICAE, cilt 53, pp. 235-244, 2021.
  • M. Thakur, R. Bhattacharyya ve S. S. Mondal, "Artificial Neural Network Based Model for Forecasting of Inflation in India", FUZZY INFORMATION AND ENGINEERING, cilt 8, no. 1, pp. 87-100, 2016.
  • E. Öztemel, Yapay Sinir Ağları, İstanbul: Papatya Yayıncılık, 2006.
  • S. Haykin, Neural Networks and Learning Machines, New Jersey: Pearson Education, 2009.
  • M. Negnevitsky, Artificial Intelligence: A Guide to Intelligent Systems.Second Edition, England: Pearson Education, 2005.
  • A. Arı ve M. E. Berberler, "Yapay Sinir Ağları ile Tahmin ve Sınıflandırma Problemlerinin Çözümü İçin Arayüz Tasarımı", Acta Infologica, cilt 1, no. 2, pp. 55-73, 2017.
  • D. Kriesel, A Brief Introduction to Neural Networks., 2007.
  • M. Kalaycı, "YSA Hava Durumu Tahmini", GitHub, Konya, 2018.
Toplam 11 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Konular Yapay Zeka
Bölüm Araştırma Makaleleri
Yazarlar

Serdar Özkaya 0000-0002-6768-0026

Gökhan Atalı 0000-0003-1215-9249

Yayımlanma Tarihi 26 Aralık 2022
Yayımlandığı Sayı Yıl 2022 Cilt: 3 Sayı: 2

Kaynak Göster

APA Özkaya, S., & Atalı, G. (2022). Yapay Sinir Ağları ile Hava Durumu Tahmini ve Çok Katmanlı Ağ Modeli için LabVIEW Arayüz Tasarımı. Journal of Smart Systems Research, 3(2), 81-96.
AMA Özkaya S, Atalı G. Yapay Sinir Ağları ile Hava Durumu Tahmini ve Çok Katmanlı Ağ Modeli için LabVIEW Arayüz Tasarımı. JoinSSR. Aralık 2022;3(2):81-96.
Chicago Özkaya, Serdar, ve Gökhan Atalı. “Yapay Sinir Ağları Ile Hava Durumu Tahmini Ve Çok Katmanlı Ağ Modeli için LabVIEW Arayüz Tasarımı”. Journal of Smart Systems Research 3, sy. 2 (Aralık 2022): 81-96.
EndNote Özkaya S, Atalı G (01 Aralık 2022) Yapay Sinir Ağları ile Hava Durumu Tahmini ve Çok Katmanlı Ağ Modeli için LabVIEW Arayüz Tasarımı. Journal of Smart Systems Research 3 2 81–96.
IEEE S. Özkaya ve G. Atalı, “Yapay Sinir Ağları ile Hava Durumu Tahmini ve Çok Katmanlı Ağ Modeli için LabVIEW Arayüz Tasarımı”, JoinSSR, c. 3, sy. 2, ss. 81–96, 2022.
ISNAD Özkaya, Serdar - Atalı, Gökhan. “Yapay Sinir Ağları Ile Hava Durumu Tahmini Ve Çok Katmanlı Ağ Modeli için LabVIEW Arayüz Tasarımı”. Journal of Smart Systems Research 3/2 (Aralık 2022), 81-96.
JAMA Özkaya S, Atalı G. Yapay Sinir Ağları ile Hava Durumu Tahmini ve Çok Katmanlı Ağ Modeli için LabVIEW Arayüz Tasarımı. JoinSSR. 2022;3:81–96.
MLA Özkaya, Serdar ve Gökhan Atalı. “Yapay Sinir Ağları Ile Hava Durumu Tahmini Ve Çok Katmanlı Ağ Modeli için LabVIEW Arayüz Tasarımı”. Journal of Smart Systems Research, c. 3, sy. 2, 2022, ss. 81-96.
Vancouver Özkaya S, Atalı G. Yapay Sinir Ağları ile Hava Durumu Tahmini ve Çok Katmanlı Ağ Modeli için LabVIEW Arayüz Tasarımı. JoinSSR. 2022;3(2):81-96.